【问题标题】:What is the Python equivalent of Excel's Beta distribution?Excel 的 Beta 发行版的 Python 等价物是什么?
【发布时间】:2017-08-28 08:42:34
【问题描述】:

什么是 Python 中与 Excel 中的 Beta 发行版等效的版本? 在 Excel 中,公式为:

=BETA.DIST(A2,A3,A4,FALSE,A5,A6).

这给出了给定参数的 Beta 概率密度函数, 我们得到一些十进制值的结果。

Python SciPy reference does not give的函数参数及其定义形式与Excel类似。

我不知道如何在 SciPy 中执行此操作并正确传递参数。

【问题讨论】:

    标签: python excel scipy beta-distribution


    【解决方案1】:

    如你所见here,scipy中beta分布的概率密度函数与excel(excel docs)的三个参数完全相同。

    ALPHA等价于a,代表分布的一个参数。

    BETA 等价于b,表示分布的一个参数。

    X 等价于 x 和应评估分布的值。

    excel中Cumulativ参数是否为True,在scipy中调用不同的函数来表示。如果你想要累积分布 (Cumulativ = True),你只需调用 myBeta.cdf(<myParams>),如果你想要概率密度函数 (Cumulativ = False),你调用 myBeta.pdf(<myParams>)。 这意味着:

    BETA.DIST(X,Alpha,Beta,TRUE) <=>
    scipy.stats.beta.cdf(x,a,b)
    

    BETA.DIST(X,Alpha,Beta,FALSE) <=>
    scipy.stats.beta.pdf(x,a,b) 
    

    【讨论】:

      【解决方案2】:

      对于带有签名的 Excel BETA.DIST 函数

      BETA.DIST(x,alpha,beta,cumulative,[A],[B])
      

      cumulative = FALSE,使用函数scipy.stats.beta.pdf如下:

      from scipy import stats
      p = stats.beta.pdf(x, alpha, beta, loc=A, scale=B-A)
      

      换句话说,将loc设置为支持区间[A,B]的下限,并将scale设置为区间的长度。

      例如,documentation for BETA.DIST 包含示例

      =BETA.DIST(A2,A3,A4,FALSE,A5,A6)
      

      其中A2=2A3=8A4=10A5=1A6=3。该函数的值被报告为1.4837646。使用scipy对应的表达式为:

      In [59]: from scipy import stats
      
      In [60]: x = 2
      
      In [61]: alpha = 8
      
      In [62]: beta = 10
      
      In [63]: a = 1
      
      In [64]: b = 3
      
      In [65]: stats.beta.pdf(x, alpha, beta, loc=a, scale=b-a)
      Out[65]: 1.4837646484375009
      

      对于cumulative=TRUE 的情况,使用函数scipy.stats.beta.cdf。上面给出的相同示例报告 PDF 的值为0.6854706。这是使用 scipy 的计算:

      In [66]: stats.beta.cdf(x, alpha, beta, loc=a, scale=b-a)
      Out[66]: 0.6854705810546875
      

      【讨论】:

        猜你喜欢
        • 1970-01-01
        • 2012-07-20
        • 2011-09-03
        • 2011-03-07
        • 2013-10-18
        • 2019-04-02
        • 2012-03-20
        • 1970-01-01
        • 2017-04-10
        相关资源
        最近更新 更多